1 / 29

Classifying The Real World

Classifying The Real World. Anwendungen von Support Vector Machines. Überblick. Textkategorisierung Bioinformatik Gesichtserkennung weitere Anwendungen. Textkategorisierung. Textkategorisierung. Eine der „killer“-Anwendungen für SVMs

phuoc
Download Presentation

Classifying The Real World

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Classifying The Real World Anwendungen von Support Vector Machines

  2. Überblick • Textkategorisierung • Bioinformatik • Gesichtserkennung • weitere Anwendungen Anwendungen von SVMs

  3. Textkategorisierung

  4. Textkategorisierung • Eine der „killer“-Anwendungen für SVMs • Wachsende Informationsvielfalt (Internet, Gb-Harddrives, …)  Information sammeln ist billig, Information nutzbar machen ist teuer • Momentan geschieht (erfolgreiche) Textkategorisierung meistens durch Menschen • Verschiedenste Ansätze: Regelbasiert, Neuronale Netze, … und eben: SVMs • Idee: maschinelles Lernen mit feedback (da schon grosse Mengen klassifizierter Informationen vorliegen) • Klassifikation: klassische SVM-Aufgabe • binär (spam/non-spam) oder mehrere Kategorien (Kombination von SVMs) Anwendungen von SVMs

  5. Textkategorisierung (II) • Representation eines Textes durch Wortvektor: binär („bag of words“) oder gewichtet (z. B. nach Worthäufigkeit) • Probleme bei reinen „bag of words“-Ansätzen: • Reihenfolge, Beziehungen zwischen den Wörtern werden ignoriert • Thematisch ähnliche Texte müssen nicht unbedingt dieselben Wörter enthalten (Synonyme, Hypernyme, Hyponyme, …) mögliche Lösung: „Ähnlichkeit“ zwischen Wörtern definieren und in Kernel integrieren anstatt diese Ähnlichkeitsbeziehung zu definieren, könnte diese auch gelernt werden (annäherende Synonymie könnte etwa definiert werden als häufiges Auftreten zweier Wörter im gleich Kontext, ohne das diese je gemeinsam auftreten) andere Ansätze vorhanden, besonders interessant: Entdeckung semantischer Ähnlichkeit durch Analyse bilingualer Korpora Anwendungen von SVMs

  6. Eigenschaften von Textklassifikationsaufgaben • Sehr viele Features (Wörter im Lexikon) • Wenige irrelevante Features • Aber: sparse input vectors • Oft sind die Kategorien linear trennbar, falls nicht, kann mit entsprechendem Kernel nachgeholfen werden •  SVM scheinen zur Textklassifikation eine gute Idee zu sein Anwendungen von SVMs

  7. Joachims et. al. (1998) Anwendungen von SVMs

  8. Lineare SVM gegen klassische Ansätze Anwendungen von SVMs

  9. Bioinformatik

  10. Genexpression • Mensch und Schimpanse teilen 98,7% ihres Erbgutes • aber Gene werden im Gehirn des Menschen bis zu viermal mehr benutzt (4-mal stärkere Genexpression) Quelle: (1)

  11. Microarray Methodik:http://www.bio.davidson.edu/courses/genomics/chip/chip.html Anwendungen von SVMs

  12. Das Klassifikationsproblem Gen 1. 2. 3. 4. 78. 79. 1 YAL001C -0.38 -0.38 -0.43 -0.06 … -0.67 -0.38 2 YAL002W -0.3 -0.09 -0.18 -0.14 … -0.45 -0.15 … … … … … … … … … 2467 YPR201W -0.04 0.16 0.12 -0.38 … -0.27 0.07 • Hefe-Gene anhand der reellwertigen Vektoren zu vorher existierenden funktionalen Klassen zuordnen (5 funktionale Klassen + 1 Kontrollklasse)  eine SVM pro Klasse Quelle: (3)

  13. mittlere Kosteneinsparung (cost savings) Ergebnis • da Anzahl der negativen so hoch (z.B. 2450 gegenüber 17 pos.), ist Fehlerrate bei allen Algorithmen sehr niedrig  „cost savings“ definiert • beste Methode für jede der 5 Klassen ist eine SVM (entweder mit höher-gradigem Polynomkernel oder RBF-Kernel) Quelle: (3)

  14. Gesichtserkennung

  15. (face) detection • Detection: • Gesichter • Tumore in MRI-Scans • Strukturfehler in produzierten Teilen • Vorbedingung zur Identifikation einer abgebildeten Person • Probleme: • starke Variabilität in zu findenden Mustern (unterschiedliche Gesichter, Gesichtsausdrücke, Brillen, Schatten) Anwendungen von SVMs

  16. Ziel Anwendungen von SVMs

  17. Vorgehensweise • Gleich große Fenster (hier 19x19 pixel) aus dem Bild ausschneiden • Bild skalieren (vergrößern/verkleinern), wieder Fenster ausschneiden • So bekommt man eine Reihe von unterschiedlich grossen Fenstern aus dem Bild • Fenster vorverarbeiten • SVM klassifiziert Gesicht / Nicht-Gesicht • Falls Gesicht: markieren mit Rahmen Anwendungen von SVMs

  18. Vorgehensweise Anwendungen von SVMs

  19. Bootstrapping • falsch negativ klassifizierte Beispiele als negative Beispiele für weitere Trainingsdurchgänge (z.B. aus Landschaftsbildern) • Sinnvoll, da Variation unter Nicht-Gesichtern wesentlich grösser ist als Variation unter Gesichtern Anwendungen von SVMs

  20. Anwendungen von SVMs

  21. Anwendungen von SVMs

  22. Ergebnisse Anwendungen von SVMs

  23. Perspektiven • Möglicherweise auch rotierte Gesichter mit demselben classifier erkennen? • Anwendung auf andere Klassifikationsobjekte (Tumorerkennung, …) • Verbesserung der Performance (bessere Filterung) Anwendungen von SVMs

  24. Weitere Anwendungen

  25. Handschrifterkennung • offline vs. online • Kernel für Sequenzen: Gaussian dynamic time warping (GDTW) kernel • mehrere Klassen: The DAGSVM algorithm Quelle: (4),(5)

  26. Zwei Spiralen • KMOD (Kernel with Moderate Decreasing): • RBF: Quelle: (6)

  27. Steganographie-Erkennung • Bild wird statistischer Analyse unterzogen → Vektor • SVM bekommt Vektor als Input und entscheidet dann, ob versteckte Nachricht enthalten, oder nicht Quelle: (7)

  28. Zusammenfassung • SVMs kommen mittlerweile überall vor, wo es etwas zu klassifizieren gibt • Klassifizierung ist nicht auf zwei Klassen beschränkt • SVMs liefern oft sehr gute Ergebnisse • aber: richtige Vorverarbeitung von Daten ist essentiell (z.B. Skalierung) Anwendungen von SVMs

  29. References • http://www.vcell.de/genomstation/genexpression.html • http://filebox.vt.edu/cals/cses/maroof/mglab/Microarray.html • Brown, Grundy, Lin, Cristianini, Sugnet, Furey, Ares and Haussler. Knowledge-based analysis of microarray gene expression data by using suport vector machines. Proc. Natl. Acad. Sci., 97:262--267, 2000. • Bahlmann, Haasdonk and Burkhardt, On-line Handwriting Recognition with Support Vector Machines---A Kernel Approach, Proc. 8th IWFHR, 2002 • Platt, Cristianini and Shawe-Taylor. Large Margin DAGS for Multiclass Classification, Advances in Neural Information Processing Systems, 12 ed. S.A. Solla, T.K. Leen and K.-R. Muller, MIT Press, 2000 • Romero and Alquézar, Maximizing the margin with feed-forward neural networks, Proc. INNS-IEEE International Joint Conference on Neural Networks (IJCNN2002), pp.743-748., 2002 • Lyu and Farid, Detecting Hidden Messages Using Higher-Order Statistics and Support Vector Machines. Proc. 5th International Workshop on Information Hiding 340-354, 2002 • Osuna, Freund and Girosi, Support Vector Machines: Training and Applications, 1997 • Joachims, Text Categorization with Support Vector Machines, Learning With Many Relevant Features, 1998 • http://www.support-vector.net • http://www.kernel-machines.org • http://www.clopinet.com/isabelle/Projects/SVM/applist.html Anwendungen von SVMs

More Related